TensorFlow基础入门
TensorFlow简介
TensorFlow是一个采用数据流图（data flow graphs），用于数值计算的开源软件库。最初由Google大脑小组（隶属于Google机器智能研究机构）的研究员和工程师们开发出来，用于机器学习和深度神经网络方面的研究，但这个系统的通用性使其也可广泛用于其他计算领域。TensorFlow既是一个实现机器学习算法的接口，同时也是执行机器学习速算法的框架。它前端支持Python、C++、Go、Java等多种开发语言，后端使用C++、CUDA等写成，其实现的算法可以在众多异构系统移植，如CPU，GPU集群，iOS，Android等。
TensorFlow中的计算可以表示为一个有向图（directed graph），或计算图（computation graph），其中每一个运算操作将作为一个节点，称之为op（operation缩写），节点与节点之间的连接称为边（edge）。在计算图的边中流动（flow）的数据被称>为张量（tensor），因此得名为TensorFlow。每个张量是一个类型化的多维数组。例如,可以将一小组图像集表示为一个四维浮点数数组,这四个维度分别是[batch, height, width, channels]。
基础使用
一个TensorFlow图描述了计算的过程。为了进行计算，图必须在会话里被启动。会话将图的op分发到诸如CPU或GPU之类的设备上，同时提供执行op的方法。这些方法执行后，将产生的tensor返回。在Python语言中，返回的tensor是numpy ndarray对象。
### 计算图
TensorFlow程序通常被组织成一个构建阶段和一个执行阶段。在构建阶段，op的执行步骤被描述成一个图。在执行阶段，使用会话执行执行图中的op。例如，通常在构建阶段创建一个图来表示和训练神经网络，然后在执行阶段反复执行图中的训练op。
构建图
构建图的第一步，是创建源op(source op)。源op不需要任何输入，例如常量(Constant)。源op的输出被传递给其它op做运算。Python库中，op构造器的返回值代表被构造出的op的输出，这些返回值可以传递给其它op构造器作为输入。TensorFlow Python库有一个默认图(default graph)，op构造器可以为其增加节点。这个默认图对许多程序来说已经足够用了。
import tensorflow as tf
# 创建一个常量op，产生一个1x2矩阵。这个op被作为一个节点
# 加到默认图中.
#
# 构造器的返回值代表该常量op的返回值.
matrix1 = tf.constant([[3., 3.]])
# 创建另外一个常量op,产生一个2x1矩阵.
matrix2 = tf.constant([[2.],[2.]])
# 创建一个矩阵乘法 matmul op，把'matrix1'和'matrix2'作为输入。
# 返回值'product'代表矩阵乘法的结果.
product = tf.matmul(matrix1, matrix2)
默认图现在有三个节点，两个constant() op，和一个matmul() op。为了真正进行矩阵相乘运算，并得到矩阵乘法的结果，必须在会话里启动这个图。
#### 启动图
构造阶段完成后，才能启动图。启动图的第一步是创建一个Session对象，如果无任何创建参数，会话构造器将启动默认图。
# 启动默认图.
sess = tf.Session()
# 调用 sess 的 'run()' 方法来执行矩阵乘法 op, 传入 'product' 作为该方法的参数.
# 上面提到, 'product' 代表了矩阵乘法 op 的输出, 传入它是向方法表明, 我们希望取回
# 矩阵乘法 op 的输出.
#
# 整个执行过程是自动化的, 会话负责传递 op 所需的全部输入. op 通常是并发执行的.
#
# 函数调用 'run(product)' 触发了图中三个 op (两个常量 op 和一个矩阵乘法 op) 的执行.
#
# 返回值 'result' 是一个 numpy `ndarray` 对象.
result = sess.run(product)
print result
# ==> [[ 12.]]
# 任务完成, 关闭会话.
sess.close()
Session对象在使用完后需要关闭以释放资源。除了显式调用close外，也可以使用“with”代码块来自动完成关闭动作。
with tf.Session() as sess:
result = sess.run([product])
print result
变量
变量维护图执行过程中的状态信息。下面的例子演示了如何使用变量实现一个简单的计数器。
# 创建一个变量, 初始化为标量 0.
state = tf.Variable(0, name="counter")
# 创建一个 op, 其作用是使 state 增加 1
one = tf.constant(1)
new_value = tf.add(state, one)
update = tf.assign(state, new_value)
# 启动图后, 变量必须先经过`初始化` (init) op 初始化,
# 首先必须增加一个`初始化` op 到图中.
init_op = tf.initialize_all_variables()
# 启动图, 运行 op
with tf.Session() as sess:
# 运行 'init' op
sess.run(init_op)
# 打印 'state' 的初始值
print sess.run(state)
# 运行 op, 更新 'state', 并打印 'state'
for _ in range(3):
sess.run(update)
print sess.run(state)
# 输出:
# 0
# 1
# 2
# 3
代码中assign()操作是图所描绘的表达式的一部分，正如add()操作一样。所以在调用run()执行表达式之前，它并不会真正执行赋值操作。
通常会将一个统计模型中的参数表示为一组变量。例如，可以将一个神经网络的权重作为某个变量存储在一个tensor中。在训练过程中，通过重复运行训练图，更新这个tensor。
Fetch
为了取回操作的输出内容，可以在使用Session对象的run()。调用执行图时，传入一些tensor，这些tensor会帮助你取回结果。在之前的例子里，只取回了单个节点state，但是也可以取回多个tensor:
input1 = tf.constant(3.0)
input2 = tf.constant(2.0)
intermed = tf.add(input2, input3)
mul = tf.mul(input1, intermed)
with tf.Session():
result = sess.run([mul, intermed])
print result
# 输出:
# [array([ 21.], dtype=float32), array([ 7.], dtype=float32)]
需要获取的多个tensor值，在op的一次运行中一起获得（而不是逐个去获取tensor）。
Feed
上述示例在计算图中引入了tensor，以常量或变量的形式存储。TensorFlow还提供了feed机制，该机制可以临时替代图中的任意操作中的tensor可以对图中任何操作提交补丁，直接插入一个tensor。
feed使用一个tensor值临时替换一个操作的输出结果。可以提供feed数据作为run()调用的参数。feed只在调用它的方法内有效，方法结束，feed就会消失。最常见的用例是将某些特殊的操作指定为“feed”操作，标记的方法是使用tf.placeholder()为这些操作创建占位符。
input1 = tf.placeholder(tf.types.float32)
input2 = tf.placeholder(tf.types.float32)
output = tf.mul(input1, input2)
with tf.Session() as sess:
print sess.run([output], feed_dict={input1:[7.], input2:[2.]})
# 输出:
# [array([ 14.], dtype=float32)]
如果没有正确提供feed，placeholder()操作将会产生错误。